检索增强 · 重排序方向轻量文献报告（2026-10-27）｜作者：Tom

本批 5 篇候选（主题：rag-retrieval-reranking），筛出 4 篇高价值工作。分析仅基于候选清单中的标题与摘要，摘要非全文，未核实实验数值。

一、总体判断

本批的共同主线是"检索前置侧的语义对齐"：真实用户查询往往短、含糊、多步推理，直接送进稠密检索器会引入噪声、削弱匹配。四篇高价值工作分别从规则路由、查询改写、领域结构化解析、以及评测口径四个角度切入。工程落地层面，公开从业者的经验文章与本批方向一致——生产链路基本收敛为"稠密+稀疏混合召回 → 交叉编码器重排 → 生成"，重排层是召回率与排序质量之间的分界点；但这类经验文章多为个人实践总结，架构描述与成本数字无法核验，只作补充线索。

二、高价值工作（4 篇）

1. CoRE：Co-Adaptive Rule Routing and Constraining for Structured Knowledge Retrieval（arXiv:2610.14465） 价值：把"用哪条规则检索"从人工预定义（作者-论文规则、解剖-药物规则）改为与检索器联合学习的路由决策，直接命中真实场景中监督稀缺这一硬痛点。路由智能体选规则，对应检索器在该规则约束下取证，形式上闭环。 局限：摘要未说明规则空间如何构造与扩展，路由器的训练信号来源不明；对多跳与跨源冲突证据的处理能力无法从摘要判断；结论仅覆盖结构化知识源，向通用文本 RAG 的迁移性存疑。

2. SkillQR：Agentic Skill Discovery for Reason-Intensive Query Rewriting（arXiv:2610.33768） 价值：正面处理"冗长含糊 + 需多步推理"的查询对稠密检索的干扰，主张按查询特性自举发现改写技能，而非对所有查询施加统一改写模板；同时把既有路线的三条约束摆明——依赖昂贵闭源模型、依赖大量训练数据、依赖迭代式检索改写，这使后续复现成本可预期。 局限：摘要未披露技能发现的评测方式，也未给出相对统一改写基线的对比口径；"自举"是否带来额外推理开销不明；面向 reason-intensive 查询的结论对普通短查询的外推有限。

3. Lean Finder V2：Semantic Search for Mathlib That Disambiguates User Queries（arXiv:2610.30843） 价值：问题设定扎实——数学家与编码智能体实际只给短属性、符号、别名，隐含大量数学前提，而现有 Mathlib 搜索引擎"假设查询上下文充足"是不现实的。方法上是模型级对抗训练加输入级查询改写双管齐下，训练数据稀缺问题用对抗思路缓解，且领域语料边界清晰、结果容易人工核验。 局限：域窄（形式化数学库），方法向开放域迁移尚无证据；对抗训练的成本与稳定性、以及改写后是否仍指向同一数学对象，摘要均未交代；现实短查询的标注缺口靠对抗训练能否补上，结论仍属未验证。

4. How Ground Truth Shapes Retrieval Scores: Evidence-Aware Evaluation of a RAG System for Breast Lesions（arXiv:2610.31606） 价值：属评测方法论而非新模型，但戳中常被忽略的一点——检索分数依赖标注覆盖度。其做法是让相关性定义锚定证据片段并映射到所有包含该片段的分块，从而正确处理分块重叠；配合稠密向量、BM25 与交叉编码器重排的组合，以及分块 128–1024 token、重叠 0–20% 的系统扫描，给出了可复用的评测协议。 局限：语料仅 18 篇文档、18 条查询，绝对数值不可外推，更适合作为协议模板而非效果证据；临床单域结论无法直接迁移到通用 RAG；摘要未覆盖基线模型与语料构建细节。

三、其余候选

GEMS-RAG：Graph-grounded Engineering Multimodal Standards Retrieval-Augmented Generation（arXiv:2610.33277） — 面向工程标准的层次化+多模态（图表、交叉引用、规范条款）检索与推理，场景具体且多模态标准文档确实是纯文本 RAG 的盲区，但领域专属性强、摘要信息密度不足以判断通用价值，本轮未列入高价值。

四、补充线索（单次轻量搜索所得，非本批论文）

从业者文章普遍把重排描述为"召回之后、生成之前"的关键一层，与本批 SkillQR、Lean Finder V2 关注的改写/消歧阶段互补；另有实践者给出具体流水线：查询改写 → 混合检索 → 重排 → 上下文压缩 → 生成，并自述生成步骤占成本主体。此类文章为个人复盘，其准确率与成本数字未经验证，不作为结论依据。

五、引用清单

  1. Co-adaptive Rule Routing and Constraining for Structured Knowledge Retrieval — arXiv:2610.14465 — https://arxiv.org/abs/2610.14465
  2. SkillQR: Agentic Skill Discovery for Reason-Intensive Query Rewriting — arXiv:2610.33768 — https://arxiv.org/abs/2610.33768
  3. GEMS-RAG: Graph-grounded Engineering Multimodal Standards Retrieval-Augmented Generation — arXiv:2610.33277 — https://arxiv.org/abs/2610.33277
  4. How Ground Truth Shapes Retrieval Scores: Evidence-Aware Evaluation of a Retrieval-Augmented Generation System for Breast Lesions — arXiv:2610.31606 — https://arxiv.org/abs/2610.31606
  5. Lean Finder V2: Semantic Search for Mathlib That Disambiguates User Queries — arXiv:2610.30843 — https://arxiv.org/abs/2610.30843

补充（非本批论文，仅作线索）： - Reranking in RAG: The Missing Layer Between Retrieval and Generation — https://nandigamharikrishna.substack.com/p/reranking-in-rag-the-missing-layer - Advanced RAG: what you actually run in production — https://ratkonikolic.substack.com/p/advanced-rag-what-you-actually-run - I Built a RAG System That's 97% Accurate at $0.08 Per Query — https://anilsprasad.substack.com/p/i-built-a-rag-system-thats-97-accurate - 10 Types of RAG Architectures and their use cases in 2026 — https://rakeshgohel.substack.com/p/10-types-of-rag-architectures-and-their-use-cases-in-2026 - The Tech Buffet #17: 9 Effective Techniques To Boost RAG Systems — https://thetechbuffet.substack.com/p/9-techniques-to-boost-rags